深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 44210 篇文献，本页显示第 1981 - 2000 篇。
| 序号 | 推送日期 | 文章 | 类型 | 简述 | 创新点 | 不足 | 研究目的 | 研究对象 | 领域 | 病种 | 技术 | 模型 | 数据类型 | 样本量 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1981 | 2026-04-19 |
Mukara: A deep learning alternative to the four-step travel demand model with a case study on interurban highway traffic prediction in the UK
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0345576
PMID:41990075
|
研究论文 | 本研究提出了一种名为Mukara的深度学习框架，用于预测英国城际高速公路的交通流量，以替代传统的四步出行需求模型 | 提出了一种可直接从外部社会经济和网络特征映射到观测交通流量的深度学习框架，克服了传统模型依赖静态数据、校准复杂和行为假设简化的局限，并针对长期、路段级的战略规划任务进行了设计 | 模型性能（如R²为0.583）仍有提升空间，且研究主要针对英国高速公路，其普适性需在其他路网和地区进一步验证 | 开发一个数据驱动的深度学习模型，用于长期、路段级的交通流量预测，以支持交通战略规划 | 英国英格兰和威尔士的高速公路主干道路段 | 机器学习 | NA | 深度学习 | 深度学习模型 | 表格数据（社会经济、土地利用、路网特征、兴趣点等） | 英格兰和威尔士八年的数据 | NA | Mukara（特定提出的架构） | 平均GEH, 平均绝对误差, R² | NA |
| 1982 | 2026-04-19 |
LungNet: Leveraging state-space models with SE-enhanced skip connections for precise CT-based lung lesion segmentation
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0346561
PMID:41990081
|
研究论文 | 本文提出了一种结合Mamba状态空间模型和改进UNet架构的深度学习框架，用于精确分割CT图像中的肺部病灶 | 将Mamba状态空间模型集成到UNet中，以解决长距离依赖建模问题，同时在跳跃连接中嵌入Squeeze-and-Excitation网络以减少特征冗余，并引入辅助损失来捕获细粒度病灶特征 | 未明确提及 | 开发一种先进的深度学习框架，以提升CT图像中肺部病灶的精确分割能力 | 肺部病灶 | 计算机视觉 | 肺癌 | CT成像 | CNN, Transformer | 图像 | NA | NA | UNet, Mamba | 分割准确率 | NA |
| 1983 | 2026-04-19 |
Deep learning-based gait phase detection using shank-mounted IMU data: Classification approach
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0344002
PMID:41984794
|
研究论文 | 本研究利用深度学习模型，特别是Transformer，基于胫骨安装的IMU数据进行步态相位检测，实现自动分类识别 | 采用端到端的Transformer模型处理步态相位检测，相比传统多传感器或CNN方法，能更好地捕获时间依赖性，简化处理流程 | 研究样本仅包括35名健康年轻成年人，未涵盖不同年龄或疾病人群，可能限制模型的泛化能力 | 开发一种基于单IMU的步态相位检测方法，以提高步态分析的准确性和实用性 | 健康年轻成年人的步态数据 | 机器学习 | NA | 惯性测量单元(IMU)数据采集 | CNN, LSTM, GRU, Transformer | 时间序列信号（加速度和角速度） | 35名健康年轻成年人 | NA | 一维CNN, 混合LSTM+GRU, Transformer | F1-score | NA |
| 1984 | 2026-04-19 |
Towards eco-friendly apple farming: Real-time codling moth monitoring using improved YOLOv10 and IoT integration
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0346415
PMID:41984859
|
研究论文 | 本研究提出了一种结合改进YOLOv10-m深度学习模型与物联网技术的先进害虫监测系统，用于苹果园中苹果蠹蛾的实时检测 | 将改进的YOLOv10-m模型与物联网技术集成，在低功耗Raspberry Pi平台上实现实时、精确定位的害虫监测，支持精准施药 | 未明确说明系统在复杂环境条件下的鲁棒性、长期部署的稳定性以及与其他害虫监测方法的对比 | 开发实时害虫监测系统以减少农药过度使用，促进生态友好型农业 | 苹果园中的苹果蠹蛾（Cydia pomonella） | 计算机视觉 | NA | 物联网技术，深度学习 | YOLO | 图像 | NA | NA | YOLOv10-m | 准确率，置信度稳定性，计算效率 | 低功耗Raspberry Pi平台 |
| 1985 | 2026-04-19 |
EAC-Agent: A deep learning framework for multimodal emotion-aware conversational agent with contextual response generation
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0346770
PMID:41996398
|
研究论文 | 本文提出了一种名为EAC-Agent的深度学习框架，用于构建多模态情感感知对话代理，能够整合文本、音频和视觉特征以生成上下文相关的响应 | 提出了一种新颖的多模态方法，结合了文本、音频和视觉特征，并利用自注意力和跨模态注意力机制来生成更具情感智能的响应 | 未明确提及具体限制，但可能包括对多模态数据质量和同步性的依赖，以及模型在更广泛数据集上的泛化能力 | 开发一个能够理解用户情感并生成相应响应的多模态对话代理 | 多模态对话代理，专注于情感感知和上下文响应生成 | 自然语言处理 | NA | 多模态特征提取，包括文本、音频和视觉处理 | Transformer | 文本、音频、视频 | 使用了两个基准数据集：IEMOCAP和MELD，具体样本数量未明确说明 | NA | 序列到序列模型，基于Transformer架构 | 准确率、困惑度、BLEU分数、ROUGE-L分数 | NA |
| 1986 | 2026-04-19 |
An explainable multi-head attention network for healthcare IoT threat detection based on the MedDefender-MHAN framework
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0346677
PMID:41996403
|
研究论文 | 本文提出了一种名为MedDefender-MHAN的可解释多头部注意力网络框架，专门用于医疗物联网威胁检测 | 提出了一种新颖的双流架构，将用于局部空间特征提取的卷积神经网络与用于长程时间依赖性建模的基于Transformer的编码器相结合，并将可解释性直接嵌入到多头注意力机制中，无需外部XAI管道即可实时生成梯度加权的解释 | 未明确提及 | 为医疗物联网环境提供一种既准确又可解释的入侵检测解决方案，以满足GDPR和FDA指南等监管框架的要求 | 医疗物联网威胁检测 | 机器学习 | NA | NA | CNN, Transformer | 网络流量数据 | 基于CICIDS2017和TON_IoT基准数据集进行评估 | NA | 多头部注意力网络 | 准确率, 推理延迟, 吞吐量, 与专家标注攻击签名的对齐率, 时间准确性 | NA |
| 1987 | 2026-04-19 |
Machine and deep learning structural vessel analysis of ruptured and unruptured brain arteriovenous malformations
2025-Dec-01, Interventional neuroradiology : journal of peritherapeutic neuroradiology, surgical procedures and related neurosciences
IF:1.5Q3
DOI:10.1177/15910199251400137
PMID:41325021
|
研究论文 | 本文提出了一种结合机器学习和深度学习的图像分析方法，用于评估脑动静脉畸形（bAVM）的结构血管特征与破裂风险之间的关系 | 首次应用多种人工智能模型（包括隔离森林、一类支持向量机、变分自编码器和基于分数的模型）自动分析bAVM血管段曲线特征，以区分破裂与未破裂病例，其中SBM模型在检测破裂风险曲线时表现出色 | 研究样本量较小（仅20例bAVM），且为回顾性分析，可能限制结果的普遍性和前瞻性应用 | 预测脑动静脉畸形的破裂风险，通过分析血管结构特征来识别与破裂相关的曲线特征 | 脑动静脉畸形（bAVM）的血管段，包括9例既往破裂和11例未破裂的病例 | 计算机视觉 | 脑血管疾病 | 图像分析 | 隔离森林, 一类支持向量机, 变分自编码器, 基于分数的模型 | 图像 | 20例脑动静脉畸形（9例破裂，11例未破裂） | NA | 隔离森林, 一类支持向量机, 变分自编码器, 基于分数的模型 | F1分数, AUC | NA |
| 1988 | 2026-04-19 |
Artificial Intelligence Enabled Lifestyle Medicine in Diabetes Care: A Narrative Review
2025-Jul-17, American journal of lifestyle medicine
IF:1.5Q3
DOI:10.1177/15598276251359185
PMID:40687630
|
综述 | 本文是一篇关于人工智能在糖尿病生活方式医学中应用的叙述性综述 | 系统性地将人工智能在糖尿病护理中的应用归纳为四大类别，并展示了其在预测、个性化推荐、远程监测和临床决策支持方面的潜力 | 作为一篇叙述性综述，可能存在选择偏倚，且未对纳入研究的质量进行系统性评估 | 探讨人工智能在糖尿病生活方式医学领域的应用 | 糖尿病护理中的人工智能应用研究 | 机器学习 | 糖尿病 | NA | 随机森林, 深度学习 | NA | NA | NA | NA | 准确率 | NA |
| 1989 | 2026-04-19 |
GINClus: RNA structural motif clustering using graph isomorphism network
2025-Jun, NAR genomics and bioinformatics
IF:4.0Q1
DOI:10.1093/nargab/lqaf050
PMID:40290315
|
研究论文 | 本文提出了一种名为GINClus的RNA结构基序聚类工具，利用图同构网络结合聚类算法，基于碱基相互作用和三维结构相似性对RNA基序候选进行聚类 | 首次将图同构网络（GIN）模型应用于RNA结构基序的聚类任务，结合半监督深度学习与k-means和层次凝聚聚类，实现了对RNA环区域的高精度聚类，并成功识别出新的基例和家族 | 未明确提及模型在未知或高度变异RNA结构上的泛化能力，以及计算效率在处理大规模数据集时的表现 | 开发一种自动化工具，用于聚类RNA结构基序，以辅助RNA结构和功能的理解，特别是发现新的RNA结构基序家族 | RNA结构基序候选（RNA环区域），包括已知的内部环和发夹环基序，以及潜在的未知基序 | 生物信息学 | NA | RNA三维结构分析，图表示学习 | 图同构网络（GIN） | 图数据（基于RNA碱基相互作用和三维结构转换） | 未明确指定具体样本数量，但涉及已知内部环和发夹环基序的聚类，并发现了927个新基例和12个新家族 | 未明确指定，但可能基于PyTorch或TensorFlow等深度学习框架 | 图同构网络（GIN） | 聚类准确率（已知内部环基序为87.88%，已知发夹环基序为97.69%） | NA |
| 1990 | 2026-04-19 |
A deep learning strategy to identify cell types across species from high-density extracellular recordings
2025-Apr-17, Cell
IF:45.5Q1
DOI:10.1016/j.cell.2025.01.041
PMID:40023155
|
研究论文 | 本文提出了一种基于深度学习的策略，用于从高密度细胞外记录中跨物种识别细胞类型 | 结合光遗传学和药理学，构建了经过筛选的地面真实电生理特性库，并训练了一个半监督深度学习分类器，能够在不同探针、实验室、功能区域和物种间准确预测细胞类型 | NA | 识别细胞类型并揭示具有不同功能、分子和解剖特性的神经元在行为中的计算作用 | 小脑中的浦肯野细胞、分子层中间神经元、高尔基细胞和苔藓纤维 | 机器学习 | NA | 光遗传学、药理学、高密度探针记录 | 深度学习分类器 | 细胞外记录（波形、放电统计、神经元层信息） | NA | NA | NA | 准确率 | NA |
| 1991 | 2026-04-19 |
Application of Machine Learning to Osteoporosis and Osteopenia Screening Using Hand Radiographs
2025-01, The Journal of hand surgery
DOI:10.1016/j.jhsa.2024.09.008
PMID:39556066
|
研究论文 | 本研究开发并验证了一种基于手部X光片的人工智能算法，用于筛查骨质疏松和骨质减少 | 利用标准手部X光片替代专业DXA扫描进行骨质疏松和骨质减少的自动化筛查，提高了筛查的可及性和成本效益 | 样本量相对有限，骨质疏松类别图像数量较少，且依赖于DXA扫描作为参考标准，可能存在人类误差 | 开发并验证一种人工智能算法，用于通过手部X光片筛查骨质疏松和骨质减少 | 手部X光片图像 | 医学影像分析 | 骨质疏松 | 手部X光成像 | 深度学习 | 图像 | 1424张手部X光片图像（正常687张，骨质减少607张，骨质疏松130张） | ResNet-50 | ResNet-50 | 灵敏度, 特异度, 准确率, AUC | NA |
| 1992 | 2026-04-19 |
The Role of Artificial Intelligence in Cardiovascular Disease Risk Prediction: An Updated Review on Current Understanding and Future Research
2025, Current cardiology reviews
IF:2.4Q2
|
综述 | 本文综述了人工智能在心血管疾病风险预测中的当前应用、优势及未来研究方向 | 系统总结了AI在提升心血管风险预测准确性、效率及可及性方面的最新进展，并强调了其在个性化治疗和临床决策支持中的潜力 | AI在心血管风险评估中的广泛采用仍面临挑战，主要由于医疗专业人员缺乏相关教育和接受度 | 探讨人工智能在心血管疾病风险预测中的变革性作用，以改善患者预后并减轻全球疾病负担 | 心血管疾病风险预测模型及AI驱动工具 | 机器学习 | 心血管疾病 | 电子健康记录分析、心电图分析 | 机器学习算法、深度学习 | 电子健康记录、心电图数据 | NA | NA | NA | 准确率 | NA |
| 1993 | 2026-04-19 |
Histopathological image analysis and enhanced diagnostic accuracy explainability for oral cancer detection
2025, Polish journal of pathology : official journal of the Polish Society of Pathologists
IF:0.7Q4
DOI:10.5114/pjp.2025.153973
PMID:40977550
|
研究论文 | 本研究提出了一种用于口腔癌分类的深度学习模型，通过颜色归一化、特征选择和可解释性增强，提高了诊断准确性和决策透明度 | 结合Vahadane归一化、加权Fisher评分特征选择和可解释人工智能技术，改进U-Net分类器以处理类不平衡问题并提升模型可解释性 | 未明确说明模型在外部验证集上的泛化性能或临床部署的具体挑战 | 开发一种准确、可解释的口腔癌组织病理学图像分类方法，以支持早期精准检测 | 口腔癌组织病理学图像 | 数字病理学 | 口腔癌 | 组织病理学图像分析 | 深度学习 | 图像 | NA | NA | U-Net, DenseNet201, VGG10 | 准确率, 精确度, 可靠性 | NA |
| 1994 | 2026-04-19 |
Identifying Key Residues in Lysine Decarboxylase for Soluble Expression Using Consensus Design Soluble Mutant Screening (ConsenSing)
2023-05-19, ACS synthetic biology
IF:3.7Q1
DOI:10.1021/acssynbio.2c00670
PMID:37071041
|
研究论文 | 本文提出了一种结合计算预测与实验筛选的混合方法，用于识别提高蛋白质溶解度的关键残基 | 开发了ConsenSing方法，通过共识序列预测热点残基，并利用分裂GFP报告系统快速验证突变体，从而有效提高蛋白质溶解度 | 方法可能不适用于所有蛋白质，且预测与实验结果之间仍可能存在不一致 | 提高目标蛋白质的溶解度，通过识别关键残基突变来优化蛋白质表达 | 赖氨酸脱羧酶（LdcC） | 蛋白质工程 | NA | 序列分析、分裂GFP报告系统、Darwin组装 | 深度学习 | 蛋白质序列 | NA | NA | NA | 溶解度增加 | NA |
| 1995 | 2026-04-18 |
Utility of breath-hold half-Fourier single-shot turbo spin-echo with deep learning-based reconstruction for acquiring fat-suppressed T2-weighted images of the pancreas
2026-Jun, European journal of radiology open
IF:1.8Q3
DOI:10.1016/j.ejro.2026.100740
PMID:41994324
|
研究论文 | 本研究评估了三种磁共振成像技术在获取胰腺脂肪抑制T2加权图像方面的性能，包括采集时间和图像质量 | 首次比较了传统呼吸门控TSE、基于深度学习的呼吸屏气TSE以及基于深度学习的呼吸屏气半傅里叶单次激发TSE在胰腺成像中的效果，并引入了深度学习重建技术 | 研究样本量相对较小（87名患者），且仅针对胰腺疾病疑似患者，可能无法推广到所有人群 | 确定获取胰腺脂肪抑制T2加权图像的最佳技术，以优化采集时间和图像质量 | 疑似胰腺疾病患者及胰腺内大于5毫米的局灶性病变 | 医学影像 | 胰腺疾病 | 磁共振成像（MRI），包括脂肪抑制T2加权成像 | 深度学习重建模型 | 医学影像（磁共振图像） | 87名患者，其中64个胰腺局灶性病变 | NA | NA | 图像质量评分（5点量表）、信噪比（SNR）、对比噪声比（CNR） | 3-T磁共振扫描仪 |
| 1996 | 2025-12-19 |
Deep learning's false positive burden may threaten the MRI harm reduction mandate in screening
2026-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-12228-2
PMID:41410706
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1997 | 2026-04-18 |
Regulatory risk loci link disrupted androgen response to the pathophysiology of polycystic ovary syndrome
2026-May, Journal of the Endocrine Society
IF:3.0Q2
DOI:10.1210/jendso/bvag083
PMID:41994484
|
研究论文 | 本研究通过整合分子和表观基因组注释，并应用深度学习框架，预测了多囊卵巢综合征风险变异在细胞类型特异性调控中的作用，揭示了其与雄激素信号通路及疾病病理生理学的关联 | 首次将深度学习模型与表观基因组数据整合，以预测PCOS风险变异在特定细胞类型中的调控效应，并揭示了这些变异如何通过破坏雄激素介导的信号通路影响疾病表型 | 研究主要基于计算预测和体外实验数据，缺乏体内功能验证；样本类型和数量可能限制了对所有相关细胞类型的全面覆盖 | 解析多囊卵巢综合征遗传易感位点如何通过调控机制驱动疾病表型，特别是与雄激素信号相关的病理生理过程 | 多囊卵巢综合征的风险遗传变异及其在脑和内分泌细胞类型中的调控效应 | 机器学习 | 多囊卵巢综合征 | 表观基因组注释、深度学习框架、报告基因检测 | 深度学习模型 | 分子和表观基因组数据 | NA | NA | NA | 与报告基因检测数据的一致性 | NA |
| 1998 | 2026-04-18 |
Conserved and divergent gene regulatory networks for crop drought resistance
2026-Apr-17, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-72169-2
PMID:41991527
|
研究论文 | 本研究利用基于图的深度学习框架，构建了主要禾本科作物在干旱响应中的大规模基因调控网络，揭示了作物抗旱性的保守与分化机制 | 首次采用创新的基于图的深度学习框架，跨转录组、蛋白质组和代谢组层面整合超过5000个批量RNA-seq数据集，构建了大规模、跨物种的干旱响应基因调控网络，并提出了抗旱性受网络拓扑结构而非少数关键基因系统约束的新假说 | 研究主要基于公共数据库的批量RNA-seq数据，可能缺乏单细胞分辨率；对Fabaceae和Solanaceae作物的验证相对有限；网络推断依赖于计算模型，需后续实验验证 | 揭示作物抗旱性的保守与分化遗传机制，理解基因调控网络在气候适应中的进化动态 | 禾本科作物（如水稻、小麦、玉米、高粱），并扩展至豆科和茄科作物 | 计算生物学 | NA | 批量RNA-seq，基因调控网络分析 | 图神经网络 | 转录组数据 | 整合超过5000个批量RNA-seq数据集，涉及130,000个基因间的330万次相互作用 | 基于图的深度学习框架 | NA | NA | NA |
| 1999 | 2026-04-18 |
Cogninet: an explainable deep learning model for multi-class MRI-based Alzheimer's disease staging
2026-Apr-17, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-026-03617-z
PMID:41991821
|
研究论文 | 本文提出了一种名为CogniNet的新型可解释深度学习模型，用于基于MRI的多阶段阿尔茨海默病分期 | 结合VGGNet19的架构深度与DenseNet201的特征复用和梯度效率优势，设计了一种新的CNN架构，并利用Grad-CAM生成类别特异性注意力图以提高模型可解释性 | 未明确提及模型在更广泛或不同分布数据集上的泛化能力，以及临床部署中的实际验证 | 解决现有研究中依赖二分类、缺乏模型可解释性以及较少考虑临床可用性等关键限制 | 阿尔茨海默病的多阶段分类 | 数字病理学 | 阿尔茨海默病 | 磁共振成像 | CNN | 图像 | 3200个未见过的轴向MRI切片 | NA | VGGNet19, DenseNet201 | 准确率, 灵敏度 | NA |
| 2000 | 2026-04-18 |
Application of an open-source AI tool for quantitative quality control in whole slide images of prostate needle core biopsies - a retrospective study
2026-Apr-17, Journal of histotechnology
IF:0.6Q4
DOI:10.1080/01478885.2026.2657106
PMID:41994924
|
研究论文 | 本研究回顾性评估了开源AI工具PathProfiler在自动化、定量化控制前列腺穿刺活检全切片图像质量方面的可行性与价值 | 首次在前列腺活检WSI质量控制的临床工作流程中，系统性地应用并评估了基于深度学习的开源工具PathProfiler，实现了对图像可用性、聚焦质量和H&E染色质量的自动化、定量化评分 | 研究为单中心回顾性分析，样本量有限（226例）；算法将前列腺外组织识别为“其他伪影”可能导致评分偏差；未与病理学家的主观质量评估进行直接比较验证 | 评估PathProfiler软件在自动化、定量化控制前列腺穿刺活检全切片图像质量方面的可行性及其对诊断流程的辅助价值 | 前列腺穿刺活检的H&E染色全切片图像 | 数字病理学 | 前列腺癌 | H&E染色，全切片成像 | 深度学习 | 图像 | 226张来自前列腺穿刺活检的H&E全切片图像 | NA | NA | 可用性评分，聚焦评分，H&E质量评分 | NA |